AGROSOFT 99
II Congresso da SBI-Agro


Previsão de variáveis meteorológicas
através de Redes Neurais

 

Autores

Alexandre Pinhel Soares
Email: pinhel@furnas.com.br
Vínculo: Universidade do Estado do Rio de Janeiro - UERJ
Endereço: Rua Marquês de Valença 134/602 - Tijuca - Rio de Janeiro - 20550-030
Telefone: (021)528-4049

André Pinhel Soares
Email: pinhel@uerj.br
Vínculo: Universidade do Estado do Rio de Janeiro
Endereço: Rua Professor Gabizo 192/602 - Tijuca - Rio de Janeiro
Telefone: (021)204-2945

Resumo

O monitoramento das variáveis meteorológicas é uma tarefa quase ininterrupta e muito criteriosa que resulta em um registro longo e confiável. A natureza temporal, a qualidade e o tamanho desse registro são características bastante adequadas à utilização de métodos de reconhecimento de padrões voltados para previsão. Este trabalho apresenta um sistema de previsão meteorológica baseado em redes neurais. Como exemplos serão apresentadas previsões de temperatura. O registro empregado no exemplo foi fornecido pela Universidade do Estado do Rio de Janeiro (UERJ) e corresponde à temperatura horária do ano de 1995 da Estação Meteorológica do Maracanã, situada na cidade do Rio de Janeiro.

Abstract

The meteorological variables monitoring is a quasi-continuous and judicious task that gives a long and meaningful record. The temporal nature, the quality and the size of this record are good characteristics for pattern recognition forecast methods. This paper presents a system that uses Artificial Neural Networks for the meteorological variables forecast problem. For example a temperature forecast will be showed. The record used in the example corresponds to the 1995 hourly temperature of the meteorological station of the Universidade do Estado do Rio de Janeiro (UERJ).

Palavras Chaves

Previsão meteorológica; Redes Neurais

 

1. INTRODUÇÃO

Uma Rede Neural Artificial (ANN) é uma estrutura computacional baseada em arquiteturas de processamento distribuído encontradas em seres vivos. É composta pela interligação de elementos processadores muito simples, chamados neurônios, e podem ser construídas em meios elétricos, óticos e híbridos ou simuladas em software. Os tipos de redes existentes são caracterizadas pelo modelo do neurônio, pela topologia das interligações e pelo algoritmo de treinamento (Kovács 1989, Lippman 1996).

Neste trabalho utilizou-se uma multilayered perceptron - MLP (Figura 1) de três camadas (entrada, intermediária e saída) composta por neurônios com n entradas (sinapses), uma saída e duas funções internas (entrada e ativação). A função de entrada calcula a soma ponderada dos sinais aplicados nas sinapses e a função de ativação recebe essa soma e fornece na saída o nível de atividade do neurônio. A retenção do conhecimento se dá pela variação dos pesos das sinapses no decorrer do treinamento através do algoritmo backpropagation error correction algorithm. (Humelhart 1986) que aplica um padrão na entrada, compara a saída encontrada com a esperada e recalcula os pesos das sinapses a partir da retropropagação do erro.

Em uma MLP a saída é função da entrada, de forma que os dados utilizados devem ter alguma correlação. No caso desse trabalho, a rede recebe em sua entrada os valores da variável meteorológica de t-1 até t-n , onde t é o tempo futuro e n é a quantidade de dados passados que será utilizada, e fornece na saída o valor estimado para o tempo t, na grandeza da variável. Nota-se que a previsão é obtida somente a partir do passado da variável de interesse. Esse tipo de modelo é conhecido como univariado.

Figura 1 - Esquema da rede MLP utilizada.

 

2. O SISTEMA NEURAL DE PREVISÃO

O Sistema Neural de Previsão (SNP) foi desenvolvido em Turbo Pascal e consiste de dois programas : Treinador e Previsor. O Treinador efetua o treinamento da rede e o Previsor efetua a previsão a partir da rede treinada. O Treinador lê dois arquivos, um com as condições do treinamento e a configuração da rede e outro com os padrões de entrada e as saídas desejadas. Esses arquivos devem ser compatíveis entre si, i.e., a topologia descrita deve ser apropriada ao formato do arquivo de dados de treinamento. 

O arquivo de treinamento é construído a partir do sistema de aquisição de dados meteorológicos. A condição inicial da rede é dada pela inicialização randômica dos pesos das sinapses e o treinamento pode ser interrompido a qualquer momento para alteração de algum parâmetro. Ao término do treinamento tem-se o arquivo de configuração da rede devidamente alterado. Esse arquivo é então utilizado pelo Previsor que gera um arquivo de saída com a previsão para as próximas n horas. O arquivo de previsão pode ser então utilizado pelo usuário (Figura 2). Todos os arquivos envolvidos são do tipo texto, com isso consegue-se praticamente total independência da plataforma computacional a que o SNP for acoplado.

A primeira hora é obtida através de dados reais aplicados à entrada da rede, porém da segunda hora em diante as previsões anteriores são usadas na composição do vetor de entrada que fornecerá o valor subsequente.

Figura 2 : SNP rodando em uma rede local.

 

3. EXEMPLO

Para exemplificação dos resultados obtidos com esse tipo de abordagem escolheu-se como variável de estudo a temperatura do ar registrada na estação meteorológica do Maracanã, operada pelo Departamento de Climatologia e Meteorologia da Universidade do Estado do Rio de Janeiro. Foram definidos aleatoriamente 5 períodos do ano de 1995 e o SNP foi configurado para tentar encontrar a correlação do valor futuro com os últimos 24 valores passados.

Os pares de gráficos a seguir apresentam o resultado do aprendizado da rede sobre o conjunto de treinamento (48 amostras aplicadas ao Treinador) e a previsão para 24 horas obtida pelo Previsor, com a respectiva rede treinada.

Fig. 3 - Resultado do Aprendizado da Rede

 

4. CONCLUSÕES

Um sistema de previsão de variáveis meteorológicas com as características apresentadas pode ser implementado com um baixo custo desde que a aquisição e o registro da variável a ser prevista já estejam sendo feitos. Dessa forma os últimos valores observados estarão disponíveis para o treinamento e a previsão em si.

O PREVISOR é vulnerável a propagação de erro devido a utilização de valores previstos como dados de entrada, portanto o SNP deve ser usado, sempre que possível, em conjunto com outras ferramentas, ficando a conclusão final com o profissional responsável pela previsão.

O modelo apresentado utiliza-se somente do passado da variável para estimar o seu futuro. Modelos que se utilizem de mais variáveis de entrada são mais complexos e mais caros, porém podem fornecer melhores resultados.

 

5. REFERÊNCIAS